数据挖掘实战：带你做客户价值分析(附代码)

背景与挖掘目标

1. 背景

航空公司业务竞争激烈，从产品中心转化为客户中心

针对不同类型客户，进行精准营销，实现利润最大化

建立客户价值评估模型，进行客户分类，是解决问题的办法

2. 挖掘目标

借助航空公司客户数据，对客户进行分类

对不同的客户类别进行特征分析，比较不同类客户的客户价值

对不同价值的客户类别提供个性化服务，制定相应的营销策略

详情数据见数据集内容中的air_data.csv和客户信息属性说明。

分析方法与过程

1. 分析方法

首先，明确目标是客户价值识别

识别客户价值，应用最广泛的模型是三个指标(消费时间间隔(Recency),消费频率(Frequency),消费金额(Monetary))

以上指标简称RFM模型，作用是识别高价值的客户

消费金额，一般表示一段时间内，消费的总额。但是，因为航空票价收到距离和舱位等级的影响，同样金额对航空公司价值不同

因此，需要修改指标。选定变量，舱位因素=舱位所对应的折扣系数的平均值=C，距离因素=一定时间内积累的飞行里程=M

再考虑到，航空公司的会员系统，用户的入会时间长短能在一定程度上影响客户价值，所以增加指标L=入会时间长度=客户关系长度

总共确定了五个指标，消费时间间隔R，客户关系长度L，消费频率F，飞行里程M和折扣系数的平均值C

以上指标，作为航空公司识别客户价值指标，记为LRFMC模型

如果采用传统的RFM模型，如下图。它是依据，各个属性的平均值进行划分，但是，细分的客户群太多，精准营销的成本太高。

 

 

综上，这次案例，采用聚类的办法进行识别客户价值，以LRFMC模型为基础

本案例，总体流程如下图

 

 

2.挖掘步骤

从航空公司，选择性抽取与新增数据抽取，形成历史数据和增量数据

对步骤一的两个数据，进行数据探索性分析和预处理，主要有缺失值与异常值的分析处理，属性规约、清洗和变换

利用步骤2中的已处理数据作为建模数据，基于旅客价值的LRFMC模型进行客户分群，对各个客户群再进行特征分析，识别有价值客户

针对模型结果得到不同价值的客户，采用不同的营销手段，指定定制化的营销服务，或者针对性的优惠与关怀。(重点维护老客户)

3. 数据抽取

选取，2014-03-31为结束时间，选取宽度为两年的时间段，作为观测窗口，抽取观测窗口内所有客户的详细数据，形成历史数据

对于后续新增的客户信息，采用目前的时间作为重点，形成新增数据

4. 探索性分析

本案例的探索分析，主要对数据进行缺失值和异常值分析

发现，存在票价为控制，折扣率为0，飞行公里数为0。票价为空值，可能是不存在飞行记录，其他空值可能是，飞机票来自于积分兑换等渠道

查找每列属性观测值中空值的个数、最大值、最小值的代码如下

 

 

 

 

--

 

5. 数据预处理

数据清洗

丢弃票价为空记录

丢弃票价为0、平均折扣率不为0、总飞行公里数大于0的记录

 

 

 

 

6. 属性规约

原始数据中属性太多，根据航空公司客户价值LRFMC模型，选择与模型相关的六个属性

删除其他无用属性，如会员卡号等等

 

 

 

 

7. 数据变换

意思是，将原始数据转换成“适当”的格式，用来适应算法和分析等等的需要

本案例，主要采用数据变换的方式为属性构造和数据标准化 3.需要构造LRFMC的五个指标

L=LOAD_TIME-FFP_DATE(会员入会时间距观测窗口结束的月数=观测窗口的结束时间-入会时间(单位：月))

R=LAST_TO_END(客户最近一次乘坐公司距观测窗口结束的月数=最后一次。。。)

F=FLIGHT_COUNT(观测窗口内的飞行次数)

M=SEG_KM_SUM(观测窗口的总飞行里程)

C=AVG_DISCOUNT(平均折扣率)

 

 

模型构建

1. 客户聚类

利用K-Means聚类算法对客户数据进行客户分群，聚成五类(根据业务理解和需要，分析与讨论后，确定客户类别数量)。

代码如下：

 

 

 

 

就剩下最后一步，画图：

 

 

 

 

 

 

客户群1：red，

客户群2：green，

客户群3：yellow，

客户群4：blue，

客户群5：black

 

 

客户关系长度L，消费时间间隔R，消费频率F，飞行里程M，折扣系数的平均值C。

横坐标上，总共有五个节点，按顺序对应LRFMC。

对应节点上的客户群的属性值，代表该客户群的该属性的程度。

2. 客户价值分析

我们重点关注的是L，F，M，从图中可以看到：

客户群4[blue] 的F,M很高，L也不低，可以看做是重要保持的客户;

客户群3[yellow] 重要发展客户

客户群1[red] 重要挽留客户，原因：入会时间长，但是F,M较低

客户群2[green] 一般客户

客户群5[black] 低价值客户

重要保持客户：R(最近乘坐航班)低，F(乘坐次数)、C(平均折扣率高，舱位较高)、M(里程数)高。最优先的目标，进行差异化管理，提高满意度。

重要发展客户：R低，C高，F或M较低，潜在价值客户。虽然说，当前价值不高，但是却有很大的发展潜力，促使这类客户在本公司消费和合作伙伴处消费。

重要挽留客户：C、F、M较高，但是较长时间没有乘坐(R)小。增加与这类客户的互动，了解情况，采取一定手段，延长客户生命周期。

一般与低价值客户：C、F、M、L低，R高。他们可能是在公司打折促销时才会乘坐本公司航班。

 

 

3. 模型应用

会员的升级与保级(积分兑换原理相同)

会员可以分为，钻石，白金，金卡，银卡…

部分客户会因为不了解自身积分情况，错失升级机会，客户和航空公司都会有损失

在会员接近升级前，对高价值客户进行促销活动，刺激他们消费达到标准，双方获利

4. 交叉销售

通过发行联名卡与非航空公司各做，使得企业在其他企业消费过程中获得本公司的积分，增强与本公司联系，提高忠诚度。

5. 管理模式

企业要获得长期的丰厚利润，必须需要大量稳定的、高质量的客户

维持老客户的成本远远低于新客户，保持优质客户是十分重要的

精准营销中，也有成本因素，所以按照客户价值排名，进行优先的，特别的营销策略，是维持客户的关键。

6.小结

本文，结合航空公司客户价值案例的分析，重点介绍了数据挖掘算法中K-Means聚类算法的应用。 针对，传统RFM模型的不足，结合案例进行改造，设定了五个指标的LRFMC模型。最后通过聚类的结果，选出客户价值排行，并且制定相应策略。

时间:2018-08-10 14:57  来源:    转发量:次